[发明专利]基于FQPSO和目标分解的极化SAR图像分类方法

摘要

本发明公开了一种基于FQPSO和目标分解的极化SAR图像分类方法，其实现步骤为(1)输入极化合成孔径雷达SAR图像数据；(2)提取散射特征；(3)初始分类；(4)初始化量子粒子群；(5)计算像素隶属度；(6)更新粒子位置；(7)判断达到迭代结束条件；(8)最终分类；(9)输出分类结果。本发明采用对初始分类进行优化的方法，克服了现有技术对极化SAR图像数据的初始聚类中心直接进行分类，产生极化SAR图像数据分类不精确的不足，本发明可以使分类后的极化合成孔径雷达SAR图像分类精确度得到提高，可用于目标识别、极化SAR图像中不同目标的地物分类。

主权项

一种基于FQPSO和目标分解的极化SAR图像分类方法，包括如下步骤：(1)输入极化合成孔径雷达SAR图像数据；(2)提取散射特征：(2a)采用李Lee滤波方法，对极化合成孔径雷达SAR图像数据进行预处理，滤除极化合成孔径雷达SAR图像数据中的相干斑噪声，得到极化合成孔径雷达SAR数据；(2b)采用克劳德Cloude分解方法，从极化合成孔径雷达SAR数据的每个像素点中提取出散射熵；(2c)采用弗瑞曼Freeman分解方法，从极化合成孔径雷达SAR数据的每个像素点中提取出包含表面散射功率、偶次散射功率和体散射功率的散射功率；(3)初始分类：按照下述极化合成孔径雷达SAR数据的分类规则，将极化合成孔径雷达SAR数据分为以下八个初始类：将散射功率为表面散射功率、且散射熵H满足0＜H≤0.5条件的像素点，划分为第一类；将散射功率为表面散射功率、且散射熵H满足0.5＜H≤0.9条件的像素点，划分为第二类；将散射功率为表面散射功率、且散射熵H满足0.9＜H≤1条件的像素点，划分为第三类；将散射功率为偶次散射功率、且散射熵H满足0＜H≤0.5条件的像素点，划分为第四类；将散射功率为偶次散射功率、且散射熵H满足0.5＜H≤0.9条件的像素点，划分为第五类；将散射功率为偶次散射功率、且散射熵H满足0.9＜H≤1条件的像素点，划分为第六类；将散射功率为体散射功率、且散射熵H满足0.5＜H≤0.9条件的像素点，划分为第七类；将散射功率为体散射功率、且散射熵H满足0.9＜H≤1条件的像素点，划分为第八类；(4)初始化量子粒子群：(4a)分别将八个初始类中所有像素点的中心位置，作为模糊量子粒子群FQPSO中八个粒子的初始位置，将模糊量子粒子群FQPSO中八个粒子中的每个粒子的当前位置作为粒子最优位置；(4b)采用粒子位置适应度的计算方法，计算粒子最优位置的适应度值，比较所有粒子的适应度值的大小，筛选出适应度值最大的粒子，将适应度值最大粒子位置作为量子粒子群最优位置；(5)计算像素隶属度：采用隶属度计算公式，计算极化合成孔径雷达SAR数据的第j个像素yj对量子粒子群中第i个粒子vi的隶属度μij，其中i＝1,2，……,8；比较八个隶属度的大小，从中找出最大的隶属度μmj，将极化合成孔径雷达SAR数据的像素yj划分到最大隶属度μmj的第m个分类中；(6)更新粒子位置：(6a)采用粒子位置适应度的计算方法，计算本次迭代中每个粒子位置的适应度值，如果迭代次数等于1，则执行步骤(6d)，如果迭代次数大于1，则执行步骤(6b)；(6b)当本次迭代的粒子位置的适应度值大于上一次迭代的粒子最优位置的适应度值时，将本次迭代的粒子位置作为粒子最优位置；当本次迭代的粒子位置的适应度值小于或等于上一次迭代的粒子最优位置的适应度值时，将上一次迭代的粒子最优位置作为粒子最优位置；(6c)比较所有粒子最优位置的适应度值大小，如果最大的适应度值大于上一次迭代的量子粒子群最优位置的适应度值，则将适应度最大的粒子位置作为量子粒子群最优位置，否则将上一次迭代的量子粒子群最优位置作为量子粒子群最优位置；(6d)采用粒子位置的更新方法，更新粒子位置，得到新一代的粒子；所述粒子位置的更新方法的具体步骤如下：第一步，按照下式，计算粒子最优位置：其中，Pi(t)表示第i个粒子第t次迭代后的粒子最优位置，i表示在量子粒子群中与初始分类对应的八个粒子中的第i个粒子，i＝1,2,……,8，t表示迭代次数，t＝1,2,……,20，表示第t‑1次迭代中将粒子拉向粒子最优位置和粒子群最优位置的群体影响因子，服从正态分布，Pi(t‑1)表示第i个粒子第t‑1次迭代后的粒子最优位置，Pg(t‑1)表示第t‑1次迭代后的量子粒子群最优位置，i＝1,2,……,8；第二步，按照下式，计算量子粒子群中所有粒子最优位置坐标的平均值：C(t)=1cΣi=1cPi(t)]]>其中，C(t)表示量子粒子群中所有粒子最优位置坐标的平均值，t表示迭代次数，t＝1,2,……,20，c表示量子粒子群中粒子的个数，c＝8，∑表示求和操作，Pi(t)表示第i个粒子第t次迭代后的粒子最优位置，i表示在量子粒子群中与初始分类对应的八个粒子中的第i个粒子，i＝1,2,……,8；第三步，按照下式，计算粒子的位置：Xi(t)＝Pi(t)+ξ|C(t‑1)‑Xi(t‑1)|ln[1/ui(t‑1)]其中，Xi(t)表示量子粒子群中第i个粒子在第t次迭代后的位置，i表示在量子粒子群中与初始分类对应的八个粒子中的第i个粒子，i＝1,2,……,8，t表示已经迭代的次数，t＝1,2,……,20，Pi(t)表示第i个粒子第t次迭代后的粒子最优位置，ξ表示影响单个粒子收敛性的参数，ξ＝1.72，C(t‑1)表示量子粒子群第t‑1次迭代后所有粒子最优位置的坐标平均值，Xi(t‑1)表示量子粒子群中第i个粒子在第t‑1次迭代后的位置，|·|表示取绝对值操作，ui(t‑1)表示第t‑1次迭代中将粒子拉向粒子最优位置和粒子群最优位置的个体影响因子，ui(t‑1)服从正态分布，ln[·]表示取对数操作；(6e)将迭代次数加1；(7)判断迭代次数是否达到20次，若是，则执行步骤(8)，否则，执行步骤(5)；(8)最终分类：(8a)将量子粒子群中粒子作为极化合成孔径雷达SAR数据中像素的初始分类中心，按照下式，计算极化合成孔径雷达SAR数据中每个像素点到第i个分类ci的复威舍特Wishart距离：d(<T>,ci)=ln[ci]+Tr(ci-1<T>)]]>其中，d(<T>,ci)表示极化合成孔径雷达SAR数据中每个像素点到第i个分类ci的复威舍特Wishart距离，T表示预处理后的相干矩阵，<·>表示按视数取平均操作，ci表示极化合成孔径雷达SAR数据中像素的第i个分类，i表示分类个数，i＝1,2，……,8，[ci]表示极化合成孔径雷达SAR数据中像素的第i个分类ci的行列式，表示对第i个分类ci求逆，表示取矩阵的迹，表示极化合成孔径雷达SAR数据中像素的第i个分类ci与按视数取平均后相干矩阵T的积；(8b)比较极化合成孔径雷达SAR数据中像素点到第a个和第b个分类的复威舍特Wishart距离的大小，如果极化合成孔径雷达SAR数据中像素点离第a个分类的复威舍特Wishart距离小，则划分到第a个分类中；如果极化合成孔径雷达SAR数据中像素点离第b个分类的复威舍特Wishart距离小，则划分到第b个分类中，a,b＝1,2，……,8，a≠b，完成最终分类；(9)输出分类结果。